최근 확인한 콘텐츠
데이터가 존재하지 않습니다.
손해경, 송효빈, 김동희
2018 / Child Health Nursing Research
데이터가 존재하지 않습니다.
loading...
데이터과학 입문
딥러닝을 위한 선형대수학
Big Data
(데이터과학을 위한) 확률·통계 : R과 Python의 활용
Data science : theory, analysis, and applications
(비즈니스를 위한) 데이터 과학 : 빅데이터를 바라보는 데이터 마이닝과 분석적 사고
(RapidMiner로 배우는) 데이터사이언스.
Information and Communication Technology for Development for Africa : Second International Conference, ICT4DA 2019, Bahir Dar, Ethiopia, May 28-30, 2019, Revised Selected Papers
(데이터 과학 기반의) 파이썬 빅데이터 분석
데이터 사이언스 통계학 =
Data Wrangling with R
기초통계학과 데이터 사이언스 : R 활용
(실리콘밸리(Silicon valley) 데이터 과학자(data scientist)가 알려주는) 따라 하며 배우는 데이터 과학(data science)
(컴퓨팅 사고를 위한) 파이선 입문
Big data and learning analytics in higher education : current theory and practice
Principles of data management and presentation
The data science handbook
Introduction to XAFS : a practical guide to X-ray absorption fine structure spectroscopy
(빅데이터 분석을 위한) 데이터마이닝 방법론 : SAS enterprise miner 활용사례를 중심으로
Data science & big data analytics : discovering, analyzing, visualizing and presenting data
한국도서관·정보학회지
박형주한국도서관·정보학회지
박형주, 이희진한국문헌정보학회지
이혜원, 한승희한국도서관·정보학회지
강지혜정보관리학회지
박형주Amstat News
Annual Review of Statistics and Its Application
De Veaux, Richard D.; Agarwal, Mahesh; Averett, Maia; Baumer, Benjamin; Bray, Andrew; Bressoud, Thomas C.; Bryant, Lance; Cheng, Lei Z.; Francis, Amanda; Gould, Robert; Kim, Albert Y.; Kretchmar, Matt; Lu, Qin; Moskol, Ann; Nolan, Deborah; Pelayo, Roberto; Raleigh, Sean; Sethi, Ricky J.; Sondjaja, Mutiara; Tiruviluamala, Neelesh; Uhlig, Paul X.; Washington, Talitha M.; Wesley, Curtis L.; White, David; Ye, PingComputer
Bonnell, J.; Ogihara, M.; Yesha, Y.; Bojanova, I.Computer
Jerry Bonnell; Mitsunori Ogihara; Yelena YeshaJOURNAL OF STATISTICS AND DATA SCIENCE EDUCATION
Schwab-McCoy, Aimee; Baker, Catherine M.; Gasper, Rebecca E.Journal of Science Education and Technology
Lee V.R.,Delaney V.Journal of Multimedia Information System
Soosun ChoEncyclopedia with Semantic Computing and Robotic Intelligence
Ron S. Kenett; Shirley ColemanJournal of Higher Education Policy and Management
Richard L. GoerwitzAmerican Statistician
Hardin, J.; Hoerl, R.; Horton, N.J.; Nolan, D.; Baumer, B.; Hall-Holt, O.; Roback, P.; Murrell, P.; Peng, R.; Temple Lang, D.; Ward, M.D.Education for Information
Watinee Sae-Lim; Rong TangEDUCATION FOR INFORMATION
Casarosa, Vittore; Ruggieri, Salvatore; Salvatori, Enrica; Simi, Maria; Turbanti, Simona黑河学院学报 / heihe xueyuan xuebao
张卓; 苏丹; 孙丽男; Zhang Zhuo; Su Dan; Sun LinanEducation for Information
Hagen, LoniJournal of Computational and Graphical Statistics
Xiaoyue Cheng; Mahbubul Majumder공통 / 대학원
컴퓨팅, 기계학습 알고리즘 및 확률/통계의 추론적 사고를 결합한 데이터사이언스는 데이터로부터 통찰력과 새로운 지식을 도출하고 이를 바탕으로 실제적인 문제를 해결하는 새로운 패러다임을 제공하고 있다. 본 과목은 여러 전공의 대학원에 들어온 학생들이 데이터를 이용해서 문제를 해결하는데 필요한 기본적인 이론 지식과 분석 능력 배양 등 융복합역량 함양을 목적으로 한다. 이에 더불어 학생들에게 데이터 중심적인 사고와 이를 통한 의사 결정 및 문제 해결도 가르친다.전선 / 대학원
본 교과목은 응용 데이터사이언스를 위한 데이터 관리의 원리를 가르친다. 이 수업에서 다루는 주제는 다음과 같다. - 데이터 관리의 이론적 배경: 데이터 종류, 1차 논리, 2차 논리, 관계 논리와 관계 대수, 스키마, 정규화 - 관계데이터베이스: 개체-관계 모델, 트랜잭션, 동시성 제어, 로깅, 복구, SQL, OLTP, 쿼리 최적화 - 분산형 및 연합형 데이터베이스 시스템 - 데이터 애널리틱스: OLAP, 컬럼 스토어, ETL, 작업 데이터 저장소, 데이터 웨어하우스, 데이터 레이크, 인메모리 데이터베이스 - 데이터베이스의 물리적 디자인: Postgres 또는 MySQL을 이용한 B-tree 구현 등 - 데이터 처리: 파이썬의 NumPy, Pandas 등을 활용 이를 바탕으로 적용분야에 데이터사이언스를 응용할 기틀을 마련한다.전선 / 대학원
본 과목은 데이터사이언스를 전공하는 학생들의 다양한 관련 분야 경험을 위해 학교 내에서 강의를 통해 습득한 지식이 어떻게 응용되는지를 배우는 것을 목표로 한다. 기본강의를 통하여 문제의 접근, 분석, 결과를 정리하고 실습을 통해 데이터사이언스 지식의 적용현황을 체험하며 이를 발전시킬 수 있는 새로운 방법론을 모색한다. 이 과목은 데이터사이언스 대학원 전공 학생으로 하계 인턴 프로그램에 참가한 학생에 한한다.공통 / 대학원
인문학 연구를 위해 관련 데이터를 처리하는 능력을 기른다. 데이터 구축, 탐색적 데이터 분석, 추론적 데이터 분석 등의 방법론을 두루 다루며, 이러한 방법론을 실제 인문 데이터에 적용하는 데 초점을 맞춘다.전선 / 학사
데이터에 대한 탐색과 통계적 탐구를 수행하는 방법을 배운다. 데이터의 종류와 특성을 이해하고, 적절한 시각화와 분석을 통해 데이터에 숨은 정보를 찾아내고 근거에 기반을 둔 합리적인 의사결정을 하는 방법을 배운다. 데이터에 존재하는 관계성을 찾아 수학적으로 모델링하는 방법으로써 상관관계의 분석과 회귀분석, 클러스터링 기법 등을 배운다. 데이터를 이용한 통계적 탐구를 지도하는 방법을 배운다.전선 / 대학원
다양한 분야의 데이터사이언스 전문가를 초빙하여 최근 동향과 전문기술에 대한 정보를 습득하고 토론할 수 있는 기회를 제공한다.전선 / 대학원
본 강좌는 통계모형을 이용한 고급 자료 분석의 전 단계로 자료에 대한 충분한 이해와 인사이트를 발견하는데 필요한 탐색적 자료 분석 방법들과 이에 도움을 주는 효과적인 시각화 방법에 대한 이론과 응용을 배운다. ▪ 요약통계 ▪ 그래프 문법 원리 ▪ 데이터 랭글링 ▪ 상관성 그래프 요약 (상관관계, 시계열, 인과관계) ▪ 다변량 자료의 시각화 ▪ 시계열 동적 자료의 시각화 ▪ 비정형 자료 시각화 ▪ 인터랙티브 그래프의 이론과 응용(shiny)전선 / 대학원
인과 관계를 이해하는 것은 일상생활 뿐 아니라 과학적 진보를 이루는 데 큰 역할을 해왔다. 특히, 인과 관계를 상관관계로부터 구분하는 것이나 비실험 데이터로부터 인과 중재의 효과를 측정하는 것은 의사 결정이나 다양한 분야의 정책을 개발하는데 중요해지고 있다. 이 과목은 인과 추론 방법에 대해 데이터사이언스와 인공 지능의 관점에서 고찰 한다.전선 / 대학원
이 과정은 프로젝트 중심 수업으로 학생들은 end-to-end 프로젝트를 통해 데이터 사이언스 어플리케이션 개발 수명 주기, 어플리케이션 아키텍처 설계와 구성 요소의 선택, 시스템 인프라 유지보수 및 모니터링과 MLOps 등을 공부하고 실질적인 경험을 쌓을 수 있다. 이 수업에서는 소프트웨어 개발의 기초와 소프트웨어 2.0의 개념을 다루며, 학생들은 실습 세션을 통해 업계에서 활용되는 최신의(state-of-art) 소프트웨어 구성요소들을 다루고 대규모 상업 시스템들에 대해서 사례 연구를 진행할 예정이다. 학생들은 수업을 통해 프로젝트 아이디어를 제안하고, 아키텍처와 어플리케이션 기능을 디자인하며, 인프라를 어플리케이션 수명 주기에 따라 모니터링하고 유지 보수할 수 있어야 한다.논문 / 대학원
본 과정은 학생들의 논문집필 주제 발굴을 돕고 다양한 세미나를 통하여 논문작성에 도움을 준다.전선 / 대학원
현대 데이터사이언스 이론과 기술의 발전은 기반이 되는 컴퓨팅 시스템의 기본 구조와 동작 방식에 대한 이해를 필요로 한다. 이 과목에서는 데이터사이언스 전 주기에 걸쳐 활용되는 컴퓨팅 시스템에 대한 기본 개념과 요소들을 배우고, 실습을 통해 시스템을 폭넓게 활용하고 성능을 개선하는 방법론을 학습한다. 먼저 프로세서 파이프라인, 메모리 계층 구조, 가상 메모리, 프로세스/스레드, 파일 시스템, I/O, 병렬 실행과 동기화, 에러 처리와 같은 시스템 구성 요소와 개념들에 대해 배우고, 자원관리 도구 및 네트워크 라이브러리들을 활용하고 시스템 프로그래밍을 통해 기능 구현과 성능 개선을 실습하는 랩을 병행하여 진행한다.전선 / 대학원
본 과목은 데이터 과학의 방법론을 배우고 교육 관련 데이터, 다양한 인문 사회 분야의 데이터를 활용하여 인문학과 사회학 분야의 주제를 융합적으로 해결하는 역량을 기르는 교수 지식과 교육 역량을 갖추는 것을 목적으로 한다. 데이터 과학, 기계학습의 다양한 방법을 배우고 데이터 기반 교육을 실제 교실 환경에서 구현하는 방안을 연구하고 모색한다. 인공지능이 데이터를 사용하여 인문 사회 분야에 어떻게 기여할 수 있는지 동향과 가능성을 파악하고, 그 기반이 되는 분석 방법을 배운다. 인문 사회 분야의 다양한 주제와 관련된 데이터를 수집하고, 인문 사회 분야의 문제 해결을 위해 관련 데이터를 전통적 통계 분석과 최근의 기계학습, 다양한 인문 사회 맞춤형 분석 방법 등으로 분석하는 융합교육을 수행하는 구체적 아이디어를 개발한다. 또한 인문 사회 분야의 연구와 문제 해결을 위해 과학과 수학, 정보 분야의 문제 해결 방식을 융합하는 다양한 방안을 교육적으로 활용하는 방법을 연구한다.교양 / 학사
본 강좌는 AI와 머신러닝의 기초 개념을 이해하고, 이를 실제 데이터에 적용하여 예측 및 분류 문제를 해결하는 능력을 배양하는 것을 목표로 한다. 기초적인 데이터 처리 방법부터 머신러닝과 딥러닝 모델에 이르기까지 다양한 주제를 다루며, Pandas, Scikit-learn, PyTorch 등의 라이브러리를 사용하여 데이터를 처리하고 모델을 구현한다. 또한, TV 광고 데이터를 활용한 매출 예측, 신용카드 연체 예측 등 실생활 문제를 다루어 AI 기술이 실질적으로 활용되는 사례를 제공하며, 학생들이 데이터를 통해 실제로 문제를 해결하는 과정에서 얻는 성취감을 높이고자 한다.전선 / 대학원
"데이터사이언스를 위한 프로그래밍 실습" 강의는 다양한 데이터 구조와 알고리즘을 바탕으로 한 문제해결을 통해 실제 프로그래밍 능력을 향상시키는 것을 목표로 하는 교과목입니다. 데이터사이언스 분야에서 마주할 수 있는 실제 도전 과제들을 효과적으로 해결할 수 있는 능력을 갖추기 위해, 기초부터 복잡한 데이터 구조와 고급 알고리즘 적용에 이르는 내용을 포괄하는 실습 강의를 제공합니다. 이 과정은 이론적 지식과 실용적 적용 사이의 다리 역할을 하며, 데이터를 분석, 시각화, 해석하는 데 필요한 견고한 기술 세트를 개발하도록 돕습니다. 이를 통해, 학생들은 이론적 개념을 실제 통찰력으로 전환할 수 있는 능력을 갖추게 됩니다.교양 / 학사
빅데이터 분석에 필요한 계산과 추론에 대한 기초적인 지식과 방법을 통합적으로 학습하고 데이터와 관련된 다양한 주제를 소개하는 입문 과목이다. 데이터사이언스에 관련된 다양한 경험을 공유할 수 있는 기회를 제공하여 빅데이터 분석을 위한 종합적이고 융합적인 사고 역량을 기른다. 파이썬 언어를 통하여 데이터의 구조와 처리를 배우고 이를 기반으로 자료의 요약과 시각화를 학습한다. 나아가 데이터에 기반한 추론의 기초 원리를 학습하고 빅데이터와 관련된 사례와 경험을 통하여 빅데이터의 생애 주기를 이해한다. 이 교과목은 데이터사이언스에 관심을 가지는 모든 학생을 대상으로 한다. 이 과목의 목적은 데이터사이언스에 관련된 다양한 분야의 전공과목을 수강할 수 있는 계산과 추론에 대한 기초적인 역량을 제공하는 것이다.전선 / 대학원
본 교과목은 응용 데이터사이언스 전공자를 위한 머신러닝 (machine learning)과 딥러닝 (deep learning)의 기초를 다룬다. 구체적으로, 머신러닝의 기초가 되는 이론 (확률, MLE, gradient descent, overfitting, regularization 등)과 지도학습의 기초적인 모델을 중심으로 다룬다. 딥러닝 부분에서는 뉴럴넷의 기본, backpropagation을 다룬 후, 주로 convolutional neural network의 구조와 활용을 중점적으로 다룬다. 이를 바탕으로 적용 분야에 데이터사이언스를 응용할 기틀을 마련한다.전선 / 대학원
본 교과목은 응용 데이터사이언스를 위한 컴퓨팅의 원리를 가르친다. 본 교과목의 전반부는 C++ 언어 프로그래밍과 C++ 기반 객체 지향 프로그래밍으로 이루어져 있다. (1) C++ 언어의 기초 문법, 클래스의 개념과 사용법, template와 중요한 라이브러리를 학습하고, (2) abstraction, inheritance, polymorphism 등 객체 지향 프로그래밍의 원리를 습득한 뒤, (3) 예제들을 통해 클래스 기반 객체 지향 프로그래밍을 C++ 언어를 사용하여 직접 구현할 수 있도록 한다. 본 교과목의 후반부는 중급 자료 구조 및 알고리즘과 딥러닝 플랫폼으로 이루어져 있다. (1) 데이터사이언스를 위한 컴퓨팅의 기초 강좌에서 다루지 않은 자료 구조 및 정렬 알고리즘 (Quick sort, Radix sort, heap sort), 트리 알고리즘, 그래프 알고리즘 (Dijkstra, Kruskal 등) 등을 습득하고, (2) 배운 자료 구조와 알고리즘들을 C++ 언어를 사용하여 직접 구현할 수 있도록 한다. 또, (3) Pytorch, TensorFlow 등 널리 사용되는 딥러닝 플랫폼을 학습한다. 이를 바탕으로 적용 분야에 데이터사이언스를 응용할 기틀을 마련한다.전선 / 대학원
본 강좌는 고급 자료분석을 위한 모형기반 통계분석방법론에 대해 다룬다. 자료의 특징과 분석의 목적에 따라 적합한 통계모형을 제시하고, 자료를 적합, 적합된 통계모형의 해석을 통한 인사이트 제시등에 대해 다룬다. 프로젝트를 통해서 배운 방법들을 실제 데이터에 적용하고 발표한다. ● Linear model and linear mixed model ● Generalized linear model ● Shrinkage method and variable selection ● Graphical methods and causal Inference ● Bayesian methods전선 / 대학원
데이터 과학의 모든 영역은 데이터 수집 및 분석과 관련이 있다. 본 과목은 데이터사이언스를 위한 확률과 통계의 기초적인 토대를 제공한다. 본 과목을 통해 학생들은 확률과 통계가 어떻게 데이터 생성 과정을 설명하고 이를 통해 어떻게 데이터를 분석할 수 있는지 배운다. ▪ Probability ▪ Random Variables ▪ Expectation ▪ Convergence of Random Variables ▪ Statistical Inference ▪ Non-parametric method (such as Bootstrap) ▪ Parametric Inference ▪ Hypothesis test ▪ Bayesian Inference전선 / 대학원
온라인 교육 활동이 활발해지면서 교육 분야의 데이터가 폭발적으로 증가하고 있다. 온라인 교육이 쏟아내는 빅 데이터의 추출과 분석은 오프라인 데이터의 분석과 함께 과학교육의 현황을 파악하고 미래를 위한 과학교육의 방향을 결정하는데 중요한 정보를 제공할 수 있다. 이 과목에서는 학생들이 빅 데이터 분석의 원리와 방법을 이해하고, 학습 결과를 온라인과 오프라인 과학교육과 사회현상의 분석에 응용하는 능력을 기르는 것을 목표로 하며, 데이터 마이닝을 위한 확률 개념을 바탕으로 수집된 데이터에서 최대의 정보를 추출하는 방법을 학습한다. 특히, 대표적 분류 모형인 퍼셉트론, 합성곱 신경망, 순환 신경망, 생성 모형으로 오토 인코더, 적대적 생성 신경망, 볼츠만 머신, 딥 빌리프 네트워크 등을 깊이 다룰 예정이다. 학생들은 이 주제들에서 학습한 내용을 교육 데이터 마이닝의 실습, 무크와 같은 대규모 학습의 분석에 응용하는 연습을 한다. 이 과목은 교육 통계와 좋은 보완이 될 수 있다. 그러나 강의를 이해하는데 필요한 통계 수학과 컴퓨터 프로그램 지식을 선행 지식으로 요구하지는 않는다.